页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 122 条 · 人工复核
清除筛选开源社区
tidyxbrl 是一个用于解析 XBRL 数据的 Python 包，目标是以更简洁的方式把 XBRL 文件转换成 Python 可处理的动态结构。XBRL 是上市公司财务报告和监管报送中常见的结构化语言，能够把财务报表中的项目、数值、期间、单位和上下文机器可读化。对金融 AI 来说，XBRL 是连接“原始财报”和“结构化财务知识”的关键桥梁。 很多学习者会直接用 PDF 或 HTML 财报做 RAG，但对于财务指标和监管报表来说，文本问答并不够。比如收入、资产、负债、现金流
XBRL 解析 / 财报结构化
开源社区
FinQA 是 EMNLP 2021 论文对应的金融数值推理问答数据集和代码库，任务是让模型基于财报中的表格和文本回答需要计算的问题。它不是简单的文本问答，而是要求模型找到相关证据、生成计算程序或推理步骤，并得到最终数值答案。对于金融大模型学习来说，FinQA 是理解“金融问答为什么难”的经典数据集。 金融问题往往不是问“某句话是什么意思”，而是问“同比增长多少”“某项费用占收入比例是多少”“现金流变化由哪些项目造成”“某指标是否满足阈值”。这些问题需要读取表格、理解上下文、
金融数值推理问答数据集
开源社区
TAT-QA 是一个面向金融报告的表格与文本混合问答数据集，包含真实金融报告中的表格、相关段落和问题答案。它的全称是 Tabular And Textual Question Answering，核心特点是把半结构化表格和非结构化文本放在同一个上下文中，要求模型综合两者进行理解和数值推理。 它与 FinQA 相似但关注点不同。FinQA 更强调程序化数值推理，TAT-QA 更强调混合上下文：很多问题必须同时阅读表格和旁边的解释性段落。金融报告里经常出现这种情况：表格给出数字，
表格 + 文本金融问答数据集
开源社区
FinanceBench 是 Patronus AI 发布的金融开放书问答评测基准，用于评估大模型在公开上市公司文件上的问答能力。它包含一批公开样例，问题围绕真实公司、真实文件和可验证答案展开，并强调证据字符串。FinanceBench 的重要性在于，它不是展示模型多聪明，而是揭示当前大模型在金融问答中的可靠性不足。 该项目论文中提到，即使使用强模型和检索增强，很多问题仍然会出现错误、拒答或幻觉。这对银行非常有警示意义：金融问答不能只看回答是否流畅，而要看是否引用正确文件、是
金融开放书问答评测基准
开源社区
FiNER-139 是一个面向 XBRL 标签的金融数值实体识别数据集，包含约 110 万句从美国上市公司年度和季度报告中抽取的句子，并标注了 139 类 XBRL 标签。它把财务报告中的数值识别和标签映射转化为实体识别任务，目标是让模型自动判断一个数字在上下文中对应哪个财务科目或披露标签。 这个项目非常适合放在金融 AI 数据批次里，因为它揭示了财报结构化的核心难点：数字本身没有语义，同样的 “100 million” 可能是收入、成本、资产、负债、现金流、员工费用或税费，
XBRL 标签 / 金融数值实体识别
开源社区
FinTabNet Benchmark 是 DocLD 发布的金融表格抽取评测项目，用于在 FinTabNet 数据集上评估表格抽取准确率。FinTabNet 是来自 S&P 500 公司 SEC 年报的大规模金融表格数据集，包含复杂表头、合并单元格、层级结构和密集数字。该项目提供数据加载、抽取调用和评分方法，用于复现实验或评估其他表格抽取管道。 金融文档中最难处理的部分之一就是表格。表格不是普通文本，行列结构、表头层级、单位、合并单元格、脚注和跨页都会影响含义。银行做财报解
金融表格抽取评测
开源社区
XuanYuan 是度小满开源的中文金融对话大模型项目，中文名“轩辕”。它从早期面向中文金融对话的模型逐步扩展到 XuanYuan-6B、13B、70B 以及后续推理模型，并同步发布了金融语料 FinCorpus 和金融知识评估数据 FinanceIQ 等资源。对中文金融 AI 学习者来说，它的价值在于展示“中文 + 金融 + 大模型”如何从模型、语料、评测三个层面一起推进。 这个项目尤其适合补齐中文金融大模型视角。很多国外金融 LLM 项目围绕 SEC 文件、英文新闻、英文
中文金融大模型 / 金融推理数据
开源社区
TradingAgents 是一个多智能体 LLM 金融交易框架，论文和仓库都围绕“用大模型智能体模拟交易公司协作流程”展开。它把基本面分析师、情绪分析师、技术分析师、研究员、交易员、风险管理团队等角色组织起来，让不同智能体围绕市场信息进行讨论、争辩和决策。 这个项目比简单的“LLM 选股机器人”更值得学习，因为它强调协作结构和流程。真实金融机构中，交易决策往往不是单人判断，而是研究、交易、合规、风控、组合管理多个角色共同作用。TradingAgents 把这些角色抽象成可运
多智能体 LLM 金融交易框架
开源社区
OpenAlice 是一个面向多资产交易的 AI 交易智能体项目，定位为“一个人的华尔街”。它覆盖股票、加密资产、大宗商品、外汇和宏观等资产类别，并强调从研究、入场、持仓管理到退出的全生命周期，而不是只给一个买卖信号。 项目的一个重要特点是强调本地运行和用户控制。交易涉及私钥、账户和真实资金，OpenAlice 的 README 明确提醒实验性和风险，并强调每笔交易需要版本历史、安全检查和用户显式批准。这一点对金融 AI 治理非常有启发。 与一些只输出交易观点的项目相比，Op
AI 交易智能体 / 全生命周期交易管理
开源社区
Lumio 是一个开源财务数据平台，面向银行流水导入、交易处理、报表分析和协作工作区。它强调自托管、隐私、bank statements、transaction processing 和 reporting，适合放在金融 + AI 数据工程与运营自动化方向。 与单纯的 bank statement parser 不同，Lumio 更像一个财务运营平台：导入流水后，还要处理交易、生成报表、支持团队协作和权限管理。对银行或企业财务来说，数据从文件进入系统只是第一步，后面还有分类、
银行流水导入 / 财务运营数据平台
开源社区
easyquotation 是一个用于获取股票实时行情的开源 Python 项目，曾被很多量化学习者用于快速接入 A 股、港股等行情数据。它的代码相对轻量，适合理解行情接口、实时数据抓取和简单监控。 在金融 AI 项目里，实时数据和历史数据同样重要。历史数据适合训练和回测，实时数据则用于监控、预警、触发工作流和生成当日市场解读。easyquotation 提供了一个轻量入口，帮助学习者理解实时行情如何进入程序。 对银行来说，实时行情可用于财富管理产品监控、市场风险提示、客户持
实时行情数据接口
开源社区
Riskfolio-Lib 是一个功能丰富的组合优化和风险管理库，支持大量风险度量、风险平价、均值风险优化、层次聚类组合、Black-Litterman 和多种约束。它适合深入学习资产配置中的风险建模。 相比更入门的组合优化库，Riskfolio-Lib 更强调风险口径多样化。金融机构做组合管理时，不只看波动率，还会关注 CVaR、最大回撤、下行风险、尾部风险、集中度和风险贡献。 银行财富管理和理财业务中，风险预算思想非常重要。一个组合看起来收益高，但如果风险集中在少数资产、
风险预算 / 组合优化 / 资产配置
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。